一个模型既要解析dna序列中的遗传密码，又要捕捉气象场在时空维度上的动态演变，还要在医学影像中精准定位病灶区域——以往这类任务往往需要拆解为多个互不关联的专用模型，各自为政。7月20日，上海科学智能研究院正式发布系统性解决方案：开源科学多模态基础模型“神珍”（monkey king bang，mkb），以约110亿参数规模，在单一同构架构中统一处理dna、rna、蛋白质、小分子、地球系统数据与医学影像六大类科学模态，兼具深度理解能力与端到端结果生成能力。
在科学智能这一前沿赛道上，蛋白质建模、分子性质预测、气象模拟和医学影像分析等领域早已涌现出一批性能卓越的专用模型。然而，这些模型所依赖的底层规律并不相通：生物序列强调长程依赖与顺序信息，小分子建模聚焦原子间的拓扑连接关系，气象场建模关注空间连续性与时间演化特性，而医学影像则高度依赖局部纹理、边界与结构细节。如何在保留各模态本质差异的前提下，提炼出跨领域的共性表征机制，始终是构建通用科学基础模型的核心挑战。“神珍”正是为此而生。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
其核心架构基于Qwen3-VL-8B构建共享主干网络，并为六类科学数据分别设计专属预处理通路。关键在于，它并未采取“一刀切”的数据格式归一化策略，而是在输入共享主干前，完整保留各类数据的原始结构特征：生物序列维持时序建模范式，小分子保留三维拓扑图结构，气象场保留经纬度网格的空间分布特性，医学影像则维持像素级分辨率与通道语义。由此，核酸与蛋白质仍按序列建模，小分子依结构建模，气象数据依空间场建模，医学图像依视觉建模——所有能力集成于同一模型体内，运行时按需激活对应模块。除常规文本响应外，“神珍”还可直接输出RNA序列、机器可解析的SMILES字符串、全球尺度逐小时气象预报场，以及医学影像的像素级分割掩膜。
在约110亿参数量级下，“神珍”在生物序列分析、小分子建模、气象预测及医学影像理解等多个方向均展现出强劲竞争力。在涵盖DNA、RNA、蛋白质及其相互作用识别的20项生物序列基准任务中，它在9项上斩获三款参评模型中的最佳成绩，17项位列前两名；横向对比显示，其在16项任务中优于同参数量级的Biology-Instructions；面对总参数达约1万亿的Intern-S1-Pro，“神珍”与之在各10项任务中互有胜负。这组结果揭示了一个重要趋势：参数规模并非衡量科学大模型能力的唯一标尺，面向不同科学对象设计契合其物理/化学/生物学本质的建模范式，才是更可持续的技术突破路径。
PHP中文网提供Qwen-1.0.2.6 MacOS官方客户端下载，专为苹果电脑优化的阿里通义千问桌面应用。本版本深度适配Mac系统，支持本地高效运行与多模态交互，集成超长上下文处理、AI写作、代码生成及智能体构建等核心功能。通过官方渠道下载，确保安全稳定，助您实现智能办公与创作升级。
跳出生物序列范畴，“神珍”亦在小分子、气象与医学影像三大领域完成系统性验证。在小分子属性理解任务集SMolInstruct的6项评测中，它在4项中取得最优或并列最优成绩；在气象预测方面，离线评估设定初始大气场后，模型以每6小时一步滚动推演至第10天，最终在500hPa位势高度、2米气温、海平面气压等关键指标上达到甚至超越当前业务化数值预报系统的精度水平；在医学影像分割任务中，模型覆盖CT、MRI、病理切片等九大模态、超十万图文样本，其预测区域与人工标注重合度的平均Dice分数达91.20%，在全部7种参评方法中排名第一；细分至九类影像，五类位居榜首，其余四类稳居第二。
“神珍”将四大代表性科学能力深度融合于统一模型框架之内：生物序列理解与推理、小分子性质预测及SMILES生成、最长持续10天的全球气象场滚动预报、以及基于自然语言提示的多模态医学影像分割。不同任务触发对应的数据处理子模块，但共享同一主干网络与联合优化的权重体系，研究人员无需再于多个孤立模型间反复切换、适配与迁移。
对科学大模型而言，开放模型权重仅是起点。能否同步提供可执行代码、典型用例脚本、标准化输入输出接口说明，直接决定该模型是否具备真实可复现、可验证、可嵌入科研流程的能力。本次发布同步公开了完整技术栈：包括模型权重、推理引擎代码、示例调用脚本、详细输入规范文档，以及专为气象预报与医学影像分割任务定制的配置文件，全面支持本地部署或无缝接入现有科研计算平台。研究者既可通过星河启智科学智能开放平台下载模型、调用API服务，联动平台已汇聚的1500余个科学模型与工具链进行二次开发；也可在Hugging Face获取权重文件，在GitHub下载推理代码与全流程示例。
作为今年3月初发布的系统级科研智能体“大圣”的核心认知引擎，“神珍”之名源自《西游记》中定海神针——天河定底神珍铁。研发团队期望该模型以相对精炼的参数体量承载广泛而异质的科学任务，更期待广大科研工作者共同参与检验、应用与共建，推动科学智能真正扎根于一线研究实践。
